基于图判别动态采样AdaBoost的心血管疾病不平衡数据诊断模型研究

本文提出了一种新型心血管疾病(CVD)诊断模型GDDSAD（Graph Discriminative Dynamic Sampling AdaBoost），通过集成动态欠采样/过采样模块和改进的局部保持投影(LPP)算法，在AdaBoost框架中实现了类别平衡、特征提取和分类的联合优化。实验表明该模型在4个CVD数据集上G-Mean平均提升0.208，AUC提升0.111，为不平衡医疗数据分类提供了创新解决方案。

　　

研究亮点

(1) 提出基于置信度的权重更新机制，将样本划分为简单、边界和困难三组，通过自适应策略重点优化边界样本；

(2) 创新性地在AdaBoost中集成聚类过采样和置信度欠采样模块，构建更精确的决策边界；

(3) 改进LPP算法，引入稀疏邻接图和判别项，为基学习器提供更具判别力的低维流形输入。

经典AdaBoost架构

AdaBoost作为经典Boosting算法，通过迭代过程中逐步增加误分类样本权重（最小化分类错误率ε），最终加权聚合多个基分类器形成强学习器。给定训练集T={(x₁,y₁),...,(x_n,y_n)}，其中x_i∈X?Rⁿ，y_i∈{-1,+1}。

实验设置

采用Python 3.12平台，基于scikit-learn 1.5.1实现GDDSAD算法，在AMD Ryzen 5 6600H硬件环境下完成所有实验验证。

结论

人工智能快速发展背景下，面对CVD数据集的类别不平衡和特征冗余挑战，本研究通过集成动态采样和流形学习技术，显著提升了模型对病理样本的识别能力（代码已开源在GitHub）。

利益声明

作者声明不存在可能影响研究结果的财务或个人利益冲突。

致谢

感谢匿名评审专家的宝贵意见，本研究受国家自然科学基金（12101138）和国家级大学生创新创业训练计划（202510566026）资助。